使用 LSTM 循环神经网络进行诊断学习

Nov, 2015

使用 LSTM 循环神经网络进行诊断学习

Learning to Diagnose with LSTM Recurrent Neural Networks

Zachary C. Lipton, David C. Kale, Charles Elkan, Randall Wetzel

TL;DR本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将 128 个诊断结果与 13 个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

Abstract

Clinical medical data, especially in the intensive care unit (ICU), consist of multivariate time series of observations. For each patient visit (or episode), sensor data and lab test results are recorded in the p

clinical data intensive care unit recurring neural networks lstm multivariate time series

发现论文，激发创造

使用长短期记忆网络预测 ICU 病死率

实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 2023

使用递归神经网络对临床时间序列中的缺失数据进行建模

本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。

Jun, 2016

基于纵向实验室检验的多任务疾病发作预测

本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

Aug, 2016

使用图表示学习预测患者结果

该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

Jan, 2021

可视化和理解循环网络

使用字符级语言模型作为可解释的测试平台，本研究分析了 LSTM 的表示、预测和错误类型，并揭示了其提高性能的长程结构依赖性的来源。

Jun, 2015

基于循环神经网络的临床时间序列分析迁移学习

探究深度循环神经网络的迁移学习，使用预训练的 RNN 对多变量临床时间序列进行建模，提取通用特征来建立新的任务分类器。结果表明，相比于特定任务的 RNN，使用预训练模型的特征更加稳健且通用，性能更好。

Jul, 2018

使用注意力模型进行临床时间序列分析

该论文针对临床时间序列数据，采用注意力机制代替循环神经网络，提出了一种新的架构 SAnD（Simply Attend and Diagnose），并证明该方法在多项诊断任务中表现优异，胜过 LSTM 模型和基于手工特征的经典基线模型。

Nov, 2017

循环神经网络在序列学习中的关键评估

本文对于近三十年来产生和实践了重要的循环神经网络（RNN），LSTM 和 BRNN 等模型的研究进行综述，旨在提供一个自成体系的最前沿阐述和历史视角，并引用了相关研究文献。

May, 2015

学习执行

在进行短程序评估方面，实验评估了 LSTM 在序列到序列范式中的表现和可学习性，并使用课程学习来提高网络性能，结果表明 LSTM 可以以 99% 的准确率训练生成能够计算两个 9 位数字加法的模型。

Oct, 2014

使用时变 LSTM 长期检测放射学异常

本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

Jul, 2018